Le pides a ChatGPT una sentencia judicial y te da número de caso, fecha y tribunal. Todo con una seguridad absoluta. Todo inventado. Las alucinaciones no son un fallo puntual que «ya arreglarán»: son una consecuencia directa de cómo funcionan estos modelos — y quien entiende por qué ocurren, aprende a detectarlas en segundos. Esta guía explica la causa real y te da las 7 señales concretas para pillar un dato falso antes de que te cueste un disgusto.
⚡ Lo esencial
- Un modelo de lenguaje no consulta una base de datos: predice la siguiente palabra. Cuando no sabe algo, genera lo que suena más plausible — sin avisarte.
- La seguridad del tono no dice nada sobre la fiabilidad del dato: los modelos alucinan con la misma confianza con la que aciertan.
- Las alucinaciones se disparan en un terreno concreto: datos específicos y verificables (cifras, citas, URLs, nombres, fechas) sobre temas con poca cobertura.
- Hay 7 señales que delatan una probable alucinación — la más fiable: detalles hiperespecíficos que no puedes rastrear hasta ninguna fuente.
- La verificación no exige ser experto: dos minutos de contraste bastan para el 90% de los casos de uso cotidianos.
Qué es exactamente una alucinación (y qué no lo es)
En el contexto de la IA, una alucinación es una respuesta que el modelo presenta como un hecho pero que no se corresponde con la realidad: un estudio que no existe, una función de programación que nunca estuvo en esa librería, una cita atribuida a alguien que jamás la dijo. El término es discutible — el modelo no «ve» nada que no está ahí, simplemente genera texto — pero se ha impuesto y es útil para entendernos.
Conviene separar la alucinación de otras dos cosas con las que se confunde. La primera es el conocimiento desactualizado: si un modelo se entrenó hasta cierta fecha, no puede saber lo que pasó después; eso no es alucinar, es un límite declarado. La segunda es la opinión o interpretación: si le pides a la IA que valore una decisión de negocio, la respuesta no es «verdadera» ni «falsa». La alucinación pura es otra cosa: un dato concreto, verificable y falso, entregado con total naturalidad.
Por qué la IA alucina: no consulta, predice
La causa de fondo cabe en una frase: un modelo de lenguaje no busca la respuesta en ningún sitio — calcula qué texto es más probable que venga a continuación. Durante el entrenamiento vio miles de millones de frases y aprendió patrones estadísticos: cómo suele continuar una sentencia judicial, qué estructura tiene un paper académico, cómo se escribe una URL. Cuando le preguntas algo, no recupera un registro: genera una continuación plausible de tu pregunta.
La mayoría de las veces, lo más plausible coincide con lo verdadero — por eso estos sistemas son tan útiles. Pero cuando el modelo no tiene información sólida sobre algo, el mecanismo no se detiene: sigue generando el texto que mejor encaja con el patrón, y el resultado es una respuesta con la forma perfecta de un dato real y el contenido inventado. La propia investigación de OpenAI sobre por qué alucinan los modelos apunta además a un incentivo perverso del entrenamiento: los sistemas se evalúan como un examen tipo test donde dejar la respuesta en blanco puntúa cero, así que «adivinar con confianza» sale estadísticamente más rentable que decir «no lo sé».
El modelo no distingue entre recordar e inventar: para él, ambas cosas son exactamente la misma operación — generar el texto más probable.
Esto explica también por qué las alucinaciones no desaparecen del todo con modelos mejores: se reducen — cada generación alucina menos que la anterior — pero el mecanismo generativo es el mismo. De hecho, hay líneas de investigación serias, como el trabajo publicado en Nature sobre entropía semántica, dedicadas específicamente a detectar cuándo un modelo está «confabulando», porque desde fuera es indistinguible de una respuesta correcta.
Las situaciones donde más alucina
No todos los usos tienen el mismo riesgo. La probabilidad de alucinación depende sobre todo de cuánta cobertura tenía el tema en los datos de entrenamiento y de cuán específico es el dato que pides:
| Tipo de petición | Riesgo | Por qué |
|---|---|---|
| Explicar un concepto general (qué es la fotosíntesis) | Bajo | Miles de textos coherentes entre sí en el entrenamiento. |
| Redactar, resumir o traducir un texto que tú le das | Bajo | Trabaja sobre tu material, no sobre su memoria. |
| Datos sobre personas o empresas poco conocidas | Alto | Poca cobertura: rellena los huecos con patrones plausibles. |
| Citas textuales, números de norma, sentencias, papers | Muy alto | Exigen precisión literal que la predicción estadística no garantiza. |
| URLs, referencias bibliográficas, números de teléfono | Muy alto | Tienen la estructura fácil de imitar y el contenido imposible de «aproximar». |
La regla mental es sencilla: cuanto más se parezca tu pregunta a una consulta de base de datos, menos deberías fiarte de la respuesta sin verificar. Para tareas de lenguaje (redactar, resumir, reformular, traducir) el riesgo es bajo; para tareas de archivo (¿cuál?, ¿cuándo?, ¿cuánto?, ¿quién?) el riesgo es alto.
Las 7 señales para detectar un dato inventado
Con el tiempo desarrollas olfato. Estas son las señales que más veces delatan una alucinación, ordenadas de más a menos frecuente:
- Hiperespecificidad imposible de rastrear
La respuesta incluye un número de expediente, una página exacta o un porcentaje con decimales… pero al buscar ese dato literal en Google no aparece en ningún sitio. Los datos reales dejan rastro; los inventados, no.
- Referencias que casi existen
Un paper con autores reales pero título que no consta, un libro de un autor conocido que no está en su bibliografía, una URL con la estructura correcta que da error 404. Es la firma clásica: piezas verdaderas recombinadas en algo falso.
- La respuesta cambia al repreguntar
Haz la misma pregunta en otra conversación o pide «¿estás seguro?». Si el dato central cambia (otra fecha, otra cifra, otro nombre), no había conocimiento detrás — había generación. Un dato sabido es estable.
- Seguridad uniforme en terreno dudoso
Un experto humano matiza («creo», «si no recuerdo mal», «habría que comprobarlo»). Si el modelo responde con la misma rotundidad una pregunta trivial y una oscurísima, la rotundidad no significa nada.
- Simetría sospechosa
Listas donde todo encaja demasiado bien: cinco ventajas y cinco desventajas perfectamente equilibradas, cifras redondas, cronologías sin huecos. La realidad es irregular; la predicción estadística tiende a la plantilla.
- Confirma todo lo que le sugieres
Si preguntas «¿fue en 2019, verdad?» y asiente, y luego preguntas «¿o fue en 2021?» y también asiente, no estás ante conocimiento sino ante complacencia. Las preguntas que llevan la respuesta dentro contaminan el resultado.
- El dato es demasiado conveniente
Justo la estadística que necesitabas para tu argumento, el caso de éxito exacto de tu sector. El modelo optimiza para darte una respuesta satisfactoria — y a veces la satisfacción le sale más barata que la verdad.
La señal que NO funciona: el tono. No hay ninguna diferencia de estilo, fluidez o seguridad entre una respuesta correcta y una alucinada. Si tu método de detección es «sonaba convincente», no tienes método.
Cómo verificar una respuesta en 2 minutos
No hace falta auditar cada frase. Basta con aplicar un filtro proporcional al riesgo: si el dato va a salir de tu pantalla (un informe, un presupuesto, un email a un cliente, una decisión), verifícalo; si es para entender algo por encima, relájate. El protocolo rápido:
1) Aísla los datos verificables. Nombres, cifras, fechas, citas, referencias. El resto (explicaciones, estructura, redacción) rara vez «miente». 2) Busca el dato literal. Copia la cita o la referencia entre comillas en un buscador. Si existe, aparece en segundos. 3) Pide la fuente y compruébala. No te conformes con que el modelo cite algo: abre el enlace. Y 4) usa una segunda IA como contraste — preguntar lo mismo a otro modelo no garantiza nada, pero dos respuestas independientes que coinciden en el dato elevan mucho la confianza (y si te interesa cómo se comparan entre sí, tienes nuestra guía de cómo elegir entre ChatGPT, Claude y Gemini y el análisis de LMArena para comparar modelos).
Activa la búsqueda web del asistente (o usa un modo con acceso a internet) cuando preguntes por hechos: obligas al modelo a trabajar sobre fuentes reales en vez de sobre su memoria estadística, y además te deja los enlaces para verificar. No elimina las alucinaciones, pero reduce las más graves.
Convivir con un becario brillante
La metáfora más útil que conocemos: trata a la IA como a un becario brillante con exceso de confianza. Redacta mejor que la mayoría, estructura ideas en segundos, nunca se cansa — y de vez en cuando te entrega un dato inventado sin pestañear, porque prefiere quedar bien a decir «no lo sé». A un becario así no lo despides: lo supervisas donde puede hacer daño y le delegas todo lo demás.
Las alucinaciones irán a menos — cada generación de modelos reduce la tasa y los sistemas con búsqueda integrada acortan el problema — pero no van a desaparecer mientras la base sea generar texto probable. La buena noticia es que no necesitas que desaparezcan: con las 7 señales y el protocolo de 2 minutos, el riesgo real para un uso cotidiano es perfectamente manejable. Si quieres seguir afinando tu uso de estas herramientas, en errores típicos al usar IA cubrimos éste y los demás fallos de novato — incluido el que casi nadie mira: la privacidad de lo que escribes en el chat.
